YOLO V3检测模型的训练 |
您所在的位置:网站首页 › yolov3训练日志 › YOLO V3检测模型的训练 |
1.首先要再darknet下进行数据文件的配置,打开配置文件cfg,修改coco.data 上图中,classes是分类数,我用的是80类的data,具体多少个类别,去data文件夹下查看coco.names train、valid、names都按照自己电脑上的实际位置进行更改即可,路径指向一定要仔细,保证准确 backup是存放训练模型权值文件 2.训练命令:./darknet detector train cfg/coco.data cfg/yolov3.cfg,训练日志信息如下图所示: 训练的时间依个人的电脑配置而定,正常情况下我用电脑上的所有硬件资源,GPU、CUDNN。 训练日志信息解释: (1).训练日志信息都是针对batch和subdivision所打印出来的 (2).日志信息会以两种方式开头,一种是Region,一种是数字开头。 447: 19.874306, 25.464220 avg, 0.000040 rate, 7.874294 seconds, 28608 images Loaded: 0.000112 seconds 数字开头的是表示当前的网络训练到了第几个batchsize,后面会跟着总的图片的数量,也就是batch×64的值,接下来是网络训练到这个时刻所对应的loss的信息,下来是学习率rate,当前batch训练所用掉的时间 (3).Region开头,三个不同尺度(82,94,106)上预测到的不同大小的框的参数,82是卷基层为最大的预测尺度,94是中间的预测尺度,106是最小的预测尺度。 (4).Avg IOU是在当前前向运算subdivision内的图片的平均IOU,代表预测的矩形框和真实目标的交集与并集之比,表示匹配程度 (5).class表示标注物体分类的正确率,期望该值趋于1, (6).obj表示当前网络检测到目标的信息,越接近1越好,No obj期望该值越小越好,但不为零 (7)..5R在recall/count中定义,当前模型在所有subdivision图片中检测出的正样本与实际的正样本的比值 (8).count是当前的subdivision中包含正样本的图片数量 3.预训练,在训练的命令后面加上个权值文件即可,表示在该权值的基础上进行训练 ./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3_20000.weights 4.迭代次数小于1000,每100次保存一下权值,大于1000后,每10000次保存一下。方然,我们可以修改这个保存的策略,源码位置在examples/detector.c 的第138行。 5.训练完进行预测(我没训练完,比较花时间,所以索性下载了别人训练的权重用一下,哈,真香) ./darknet detector test cfg/coco.data cfg/yolov3.cfg backup/yolov3.weights data/giraffe.jpg -thresh 0.4 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |